Estrategias Cuantitativas de Selección de Activos Financieros
Bibliographic record
Abstract
11 INTRODUCCIÓNComo se ha dicho, este trabajo tiene como objetivo el estudio de estrategias de inversión en el mercado de valores en base a los datos fundamentales de las empresas.A partir de los ratios financieros o múltiplos se clasifican las empresas y se crean estrategias que invierten sistemáticamente en aquellos títulos que reúnen los mismos valores de sus múltiplos, pues estos se consideran generadores de una rentabilidad en exceso respecto al mercado a largo plazo "Quantitative Value Investing" 1 .Las nuevas tecnologías han permitido el análisis casi instantáneo a partir de una base de datos de los distintos títulos que cotizan en el mercado.Además, la selección de las estrategias más idóneas para invertir se ha facilitado gracias a simulaciones o backtest de cada estrategia, lo que permite conocer el comportamiento de cada una en el pasado.Como es natural, el análisis de miles de empresas, así como la simulación de las estrategias en el pasado, tan sólo ha sido posible gracias a las nuevas tecnologías.No obstante, no han dejado de publicarse trabajos en el pasado que han tratado de identificar empresas y estrategias sistemáticas de inversión que intentan batir al mercado.Sin embargo, los trabajos similares a este proyecto, son los publicados más recientemente.Estas investigaciones recientes de análisis cuantitativo de empresas y estrategias de inversión, que posteriormente se detallarán, han sido un punto de partida para este Trabajo Fin de Master.Principalmente, cabe destacar el estudio realizado por James P. O'Shaughnessy "What Works on Wall Street" y "The Cross Section of Expected Stock Returns" por Eugene Fama y Kenneth French.1 "Quantitative Value Investing" consiste en la selección de las mejores empresas para invertir por reunir unos ratios financieros muy buenos a bajo precio.El análisis de las empresas se realiza de manera cuantitativa mediante el uso de nuevas tecnologías que permiten clasificar miles de empresas de manera casi instantánea.Para seleccionar las empresas idóneas se utilizan filtros sobre una base de datos, estos filtros son conocidos como screeners. ! 12 ANTECENDENTES.Tal y como he indicado anteriormente, existen publicaciones que realizan un análisis similar al que se presenta en esta investigación.Podemos clasificarlas en dos grupos: aquellas que analizan las empresas y la estrategia de inversión de una manera descriptiva y aquellas que procesan datos históricos de manera cuantitativa y simulan el pasado mediante el uso de nuevas tecnologías.Son los trabajos de este último grupo los que más se asemejan a la investigación que he llevado a cabo.En la siguiente tabla se muestran los más reseñables.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.034 | 0.099 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".